GNN 的发展过程和一些理论（谱图&表示学习 等）之间的关系

来源均指这个理论的提出者或者讲解的论文&&书籍

1. 谱图理论（Spectral Graph Theory）是将图论与线性代数相结合的理论

来源：Spectral Graph Theory , by Fan Chung (ucsd.edu)

2.谱聚类算法：根据谱图理论发展而来，用以解决图分割或者节点聚类问题

 来源：Spectral Graph Theory , by Fan Chung (ucsd.edu)

3.  统计关系学习（Statistical Relational Learning）是将关系表示和似然表示相结合的机器学习理论，区别于传统的机器学习算法对数据独立同分布的假设（传统的机器学习算法假设： "数据对象是 同类 且 独立不相关的"）。统计关系学习准许数据非同类且可以有相关性，更适合图上的事实情况，因此，与图数据的学习有更好的契合。

来源：Introduction to Statistical Relational Learning (umd.edu)

4.  网络表示学习（Network embedding）：从复杂的图数据中学习到包含充分信息的向量化表示。

但是，网络表示学习很难提供 表示学习到任务学习的端到端系统，因此，图数据的端到端学习仍是一个问题

5. 由于图数据不是一个规则的数据，（规则数据：图像：2D的栅格结构；文字：1D的序列结构）

因此，需要一种方式对图数据规整化，进而 进行处理

这块我还得补充一下，先把书的这块内容粘贴上去：